企业官网建设流程全解析

两周前朋友给我转了一份网易云年度报告，我一边看一边想：那些“年初许愿、年终翻车”式的文案，如果换成我自己这一年真实发生的事，会不会更有意思？于是就有了这篇实战第15期：让 DeepSeek 把我过去一年留下的散乱记录，变成一份带关键词、带情绪曲线、带金句的网易云式年度报告，最后连专属年度色都算了出来。

先说结论：整套东西不需要多高的前端水平，核心是用 DeepSeek 的文本理解能力处理个人流水账，再用一个简单的色彩脚本负责“专属色”部分。跑通以后，你可以把它变成每年年底固定跑一次的模板，也可以包装成给朋友做的小礼物。这篇文章不端着讲理论，只按我实际操作顺序来。

1. 拆解网易云式年度报告，到底在拆什么

1.1 一份报告卡片的底层信息架构

网易云年度报告之所以让人愿意转发，不是因为页面动效多炫，而是它把“一年的自己”切成几个能引起共鸣的模块。我拿到这个需求后，没有急着打开 DeepSeek，而是先拿往年报告截图做了一次逆向拆解。拆完发现可以用模块见下表。

这五样东西背后对应的是两类能力：一类是归纳总结，另一类是文字渲染。归纳总结需要看懂原始记录里哪些事情值得被记住；文字渲染则需要把一个普通事件说成“只有你自己才懂的梗”。这两件事如果全写在脚本规则里，维护成本会高到离谱，而 DeepSeek 这类大模型天生就擅长。

所以我最后确定的技术方案是“大模型负责语义，脚本负责视觉和颜色”。DeepSeek 不一定要直接生成一张海报，它只需要输出结构化的 JSON 数据，后面的配色和排版完全可以用 Python 的 HTML 模板来做。这样做的好处是你可以随时换报告皮肤，不必重新让模型打字。

1.2 为什么我选择 DeepSeek 而不是本地脚本

有人会问：做个报告不是直接读 Excel 统计就行吗？对，如果目的只是统计“今年跑了多少公里、看了几部电影”，写脚本完全够。但网易云式报告的灵魂在那些带叙事感的表达，比如“你在深夜 23:47 单曲循环《XX》”，换成个人生活就是“你在加完班的周三晚上，把一本闲书翻到了凌晨”。

让脚本去把“加班后翻书”这件事描述成一句有温度的话，几乎不可能。DeepSeek 的强项是理解上下文并生成自然语言，而且它的 API 调用方式与很多开源工具链兼容，我只要把月度记录以纯文本拼进去，它就能输出我要的答案。这也是我把整套流程叫做“报告生成器”的原因：输入是个人记录，输出是可直接渲染的 JSON，中间不需要搭复杂的数据库。

1.3 这套方案能扩展到什么程度

这次的标题写的是“2026”，我的实际做法是先用 2025 年全年的数据跑通模板，生成一份带有“2026 限定版”标记的个人年度备忘。这样到了 2026 年真正结束，我只需要把新一年的记录替换进去，再跑一次相同脚本，就能得到真正属于 2026 的报告。

同样的思路还可以用在月度复盘、团队 OKR 总结、甚至一个小社群的年度回忆录上。你只要把输入数据的字段换掉，提示词里改成对应的角色定位，输出结构不会有太大变化。这也是我觉得它值得写一篇文章的原因：一次调试，长期复利。

2. 数据准备：到底要把什么喂给 DeepSeek

2.1 我收集了哪几类个人数据

想让最后生成的报告不像“AI 编故事”，输入的数据必须足够具体。我没有用聊天类的天量数据，而是收集了几个可量化、且我能回忆起来的来源：

• 日记和随笔：从日记软件里导出每月的主题句，然后人工挑出最重要的 3 条。
• 相册：按月看照片，记下这个月反复出现的场景，比如“山居”“跑步”“朋友聚餐”。
• 书影音记录：把今年看完的书、电影、剧集列成清单，并在后面标注一句当时感受。
• 运动与健康数据：跑步总里程、平均睡眠时长，这些数据会作为状态曲线的底料。
• 让我印象最深的高光/低谷事件：每月写两个关键词，比如“辞职”“新城市”“熬夜赶方案”。

把这些数据整理成一张表其实很繁琐，但这一步不能省。因为大模型无法知道你心里在想什么，它只能依赖你给它的上下文。输入越稀碎，输出就越会变成正确的废话；输入里哪怕只有一个“六月：在暴雨里搬家”这样的句子，生成结果都会立刻有烟火气。

整理好后，我没有把原始文件直接丢给模型，而是统一做成了“月度归档”的纯文本。每一行代表一个月，包含当月的主要事件、情绪占比和关键数据。

01月｜关键词：雪、元旦、新计划｜高光：完成年度目标拆解｜情绪：平静40% 期待35% 焦虑25%｜跑步42km 02月｜关键词：春节、宅、读书｜高光：读完3本大部头｜情绪：放松55% 无聊20% 思虑25%｜跑步18km ... 12月｜关键词：复盘、降温、旧友｜高光：和老朋友跨城见面｜情绪：温暖50% 充实30% 疲惫20%｜跑步35km

这段文本长度通常在 1000-2000 字，远没有到 DeepSeek 的上下文上限，却又比一条条流水账更适合做整体叙事。模型看到的是“一个人如何在十二个月里经历起落”，而不是“某月某日做了什么”，前者更容易生成有转折感的报告。

2.2 隐私与脱敏处理

用个人数据做大模型生成，最容易被忽略的是隐私。照片、聊天记录、支付明细这类数据我建议不要直接上传到任何 API。我在项目里只上传了经过抽象的文本，例如把具体人名换成“一位老朋友”，把公司名换成“前司”。你要是担心聊天记录中的隐私，也可以在本地先做一轮关键词提取，只把统计结果传给模型。

安全习惯我再强调一次：API Key 一定不要写死在代码里或提交到公开仓库。用环境变量读取是底线，谁也不想自己的账号被别人拿去跑一堆奇怪请求。

2.3 为什么先做月度聚合而不是逐日喂入

最开始我也试过把所有日记原文一股脑丢给模型，希望它“自己看着办”。实测效果并不好：日记有大量私人化的碎碎念，模型会把很多无意义细节当成重点，生成的报告显得啰嗦，而且经常抓不住年度转折点。

改成月度聚合后，相当于我先做了一遍人工降噪，再让模型在这个被筛选过的信息集上发挥。报告的金句能力来自大模型，可“哪些事值得今年被记住”的判断仍然应该由自己做。这个判断越准，报告就越像自己。

如果你实在没时间逐月整理，也可以用另一个 DeepSeek 调用来做初步整理：先让模型把整年日记按月份压缩成上面那种格式，然后人工检查一遍。但要注意，批量处理大量日记会显著增加 token 消耗，我建议还是手动控制输入规模，省下的不仅是钱，还有反复调优的精力。

3. 实操：用 DeepSeek 生成报告正文

3.1 完整流程只有三步

我最终跑通的流程是这样的。第一步，把月度归档文本和一段系统提示词一起发给 DeepSeek，要求它返回一份 JSON，里面包含年度主题、关键词、逐月叙事节点、总结文案等字段。第二步，用脚本读取这份 JSON，再结合情绪统计数据和专属年度色算法，渲染成一个 HTML 页面。第三步，把页面保存成图片或直接做成可分享的长图。

这个流程里最核心的是第一步的 Prompt 设计和输出约束。DeepSeek 的模型本身不保证每次都输出合法 JSON，所以我用了几层保险：在系统提示里给出明确的 JSON 字段定义、在用户提示里要求“必须输出 JSON，不要解释”、调用时开启 JSON Output 模式，最后再用 Python 做 json.loads 异常处理。

3.2 DeepSeek API 调用基础代码

这里先给一个最小可用的调用示例。我在项目里用的 Python 版本是 3.11，只需要安装requests或者openai库。DeepSeek 的接口风格是 OpenAI 兼容的，所以直接用openai库也可以。

import os import requests API_KEY = os.getenv("DEEPSEEK_API_KEY") def chat_with_deepseek(messages, temperature=0.7): resp = requests.post( "https://api.deepseek.com/chat/completions", headers={ "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json" }, json={ "model": "deepseek-chat", "messages": messages, "temperature": temperature, "response_format": {"type": "json_object"} } ) resp.raise_for_status() return resp.json()["choices"][0]["message"]["content"]

这份代码里的response_format就是 JSON 模式，它能让模型更倾向于输出结构化内容。注意：开启 JSON 模式后，你仍然需要在系统或用户提示中明确出现“json”字样并描述字段，否则模型不知道要输出什么结构。

3.3 提示词设计：让模型一次性给出可用内容

我的系统提示词大概长这样：

你是一个擅长写个人年度报告的产品文案专家。用户会提供按月整理的个人记录，你需要从中提炼出这一年的核心故事线。 要求： 1. 输出严格 JSON，不要输出额外文字。 2. JSON 字段包括 theme、keywords、timeline、highlight_moments、summary_sentence。 3. theme 是一句不超过20字的主标题。 4. keywords 是3-5个关键词。 5. timeline 是一个数组，每个元素包含 month 和 event 两个字段，event 必须来自用户输入且有细节。 6. highlight_moments 是2段最有故事感的回忆，每段控制在50字以内。 7. summary_sentence 是一句能引发共鸣的总结语。

用户提示则直接放我整理好的月度归档文本，再加上一句“请基于以上内容生成我的 2026 个人年度报告 JSON”。这里有个很重要的细节：不要让模型发挥出“用户输入中不存在的事实”，否则报告会显得假。比如用户输入里没有“旅行”二字，模型就不该在 timeline 里编出“在洱海边看日出”。

调试的时候我发现，把“必须基于用户输入，禁止编造未出现的事件”写进系统提示非常有效。大模型天生会为了句子流畅而补细节，所以在长文本生成任务里，这条约束能帮你省掉大量后期校对时间。

3.4 我最后拿到的 JSON 长什么样

跑成功后的核心输出大概是这样，我截取了比较有代表性的部分。这里的主题我稍微改过几版提示词，最后稳定在一个让我满意的结果：

{ "theme": "把日子过成自己的BGM", "keywords": ["重启", "独处", "夜跑", "减法"], "timeline": [ {"month": "3月", "event": "在凌晨的出租屋里写完离职交接文档"}, {"month": "6月", "event": "冒着大雨搬到离江边更近的小区"}, {"month": "9月", "event": "第一次连续跑完10公里"}, {"month": "12月", "event": "和一位老朋友在旧书店待了整个下午"} ], "highlight_moments": [ "六月搬家那天没有叫任何人，雨停后看见窗外的江面，突然觉得所有转折都有回声。", "九月第一次跑完10公里，耳机里正好放到你单曲循环过的那首歌。" ], "summary_sentence": "生活没有真正的空降热搜，只有你选择反复播放的那一刻。" }

这段 JSON 对我来说最有价值的是timeline里的event字段，它没有说空话，而是选取了真实发生过的事。这类细节才是网易云式报告能打动人的原因。因此，如果你生成的 JSON 里全是“追求梦想”“热爱生活”这种大词，先别怪模型，回去看看输入文本是不是缺少具体事件。

4. 专属年度色：不是让配色好看，而是让配色有“出处”

4.1 为什么不能只让 DeepSeek 随口报一个颜色

一开始我确实想过让模型直接告诉我“你的2026专属年度色是薄荷绿”，但后来发现这逻辑不成立。模型给出的颜色是它根据文字联想出来的，属于“审美生成”，并不一定和我的数据强相关。既然是“专属年度色”，最好的做法是让颜色从你的个人情绪数据中长出来，而不是模型灵感一拍脑袋。

所以我定下的计算思路是：先把我每个月记录的情绪标签映射到色相环上，再按每个月的事件权重做环形平均，最终得到一个只属于这堆数据的色相角。饱和度与明度则根据这一年整体能量值来定。这样得出的颜色即使不够“流行”，解释起来也足够动人：它的每一度都来自我真实的生活。

4.2 情绪标签如何映射到色相

我用了下面这套映射，色相值参考的是普通人对颜色的心理直觉：

• 开心/高光：金黄琥珀色，色相约 45
• 平静/放松：蓝色，色相约 210
• 成长/专注：绿色，色相约 150
• 焦虑/疲惫：灰紫色，色相约 280
• 热烈/社交：红色，色相约 0
• 独处/思考：青蓝，色相约 190

一个月的情绪通常不会只有一个，所以我会先算出每个月主要情绪占比，再把多种颜色的色相按权重合成近似值。注意色相是环形坐标，不能直接用普通平均数，否则 350 度和 10 度的平均值会被错误地算成 180 度，而正确的直觉应该是 0 度附近。在代码里我用了三角函数处理环形平均。

4.3 计算专属年度色的 Python 实现

import math from collections import Counter def average_hue(hues, weights): x = sum(math.sin(math.radians(h)) * w for h, w in zip(hues, weights)) y = sum(math.cos(math.radians(h)) * w for h, w in zip(hues, weights)) avg = math.degrees(math.atan2(x, y)) % 360 return avg # monthly_emotion_data 示例： # [{"month": "1月", "mood_counter": {"平静": 0.4, "期待": 0.35, "焦虑": 0.25}}, # {"month": "2月", "mood_counter": {"放松": 0.55, "无聊": 0.2, "思虑": 0.25}}] hue_map = { "开心": 45, "高光": 45, "平静": 210, "放松": 210, "成长": 150, "专注": 150, "焦虑": 280, "疲惫": 280, "热烈": 0, "社交": 0, "独处": 190, "期待": 60 } hues = [] weights = [] for item in monthly_emotion_data: for mood, ratio in item["mood_counter"].items(): if mood in hue_map: hues.append(hue_map[mood]) weights.append(ratio) final_hue = average_hue(hues, weights) # 饱和度/明度由年度整体稳定度决定 # 这里我简单使用平均的积极情绪占比 positive_ratio = 0.62 saturation = 0.55 + positive_ratio * 0.25 lightness = 0.72 + (1 - positive_ratio) * 0.1 print(f"HSV: ({final_hue:.0f}, {saturation:.2f}, {lightness:.2f})")

跑完这段代码，我得到的是一个类似HSV(198, 0.68, 0.82)的结果，转成十六进制后是清透的蓝青色。后来我把这个颜色发给 DeepSeek，让它帮我起一个名字，它给了个我很满意的答案：江面晨雾蓝。我很喜欢这个名字，因为六月搬家后我确实常常在江边跑步，颜色和记忆突然就串起来了。

4.4 将年度色应用到报告卡片

拿到单纯一个主色还不够，我定义了一个小的调色板函数：主色用于背景渐变，主色的互补色和提亮色用于强调关键词，另加一层半透明白色覆盖层保证文字可读性。这部分不用让模型参与，用 Python 的颜色转换库就能完成。

import colorsys def hsv_to_hex(h, s, v): r, g, b = colorsys.hsv_to_rgb(h / 360, s, v) return "#{:02x}{:02x}{:02x}".format( int(r * 255), int(g * 255), int(b * 255) )

如果你愿意，也可以把生成的十六进制色值放到截图里的每个卡片背景上，形成统一节奏。报告做完以后，我还把同款色值存进了个人资料里，用作文档封面的统一色调，操作成本几乎为零。

5. 常见问题与调优记录

5.1 模型总是输出额外文字，JSON 解析失败

这个问题最常出现在刚开始调用时。明明提示里说了“只输出 JSON”，模型还是会在开头写一句“好的，这是你的报告”之类的废话。我这里有三层缓解办法。第一层是在系统提示中明确说明“不要寒暄，不要解释，只输出 JSON”；第二层是开启response_format；第三层是在代码里做兜底，用正则提取第一个{到最后一个}之间的内容再解析。

即使有这些措施，还是可能出现个别输出字段缺失的情况。我会写一个简单的ensure_keys函数，如果字段缺失就重试一次，最多重试两次。这个方法在绝大多数场景下都能稳定拿到完整 JSON。

5.2 生成内容太泛，没有个人特色

如果报告读起来像星座运势，问题大概率出在输入数据颗粒度太粗。你只喂“一月：比较忙”，模型自然只能回“一月：忙碌而充实”。解决的思路很粗暴：把“比较忙”改成“一月：连续加了12天班，完成年度项目上线，凌晨从公司出来时看见路灯下有人遛狗”。越具体的画面，越能激活模型的叙事能力。

另外，如果某个月实在没有亮点，不要硬写。网易云报告也不会保证每天都有故事。让模型优先从有戏剧性的月份提取 timeline，整体节奏会更好。

5.3 超长数据和上下文限制

单个用户一年数据其实不会太长，但如果你要帮一群人批量生成报告，文本总量会被快速放大。我的做法是给每条输入预生成一个摘要层，让 DeepSeek 只处理摘要，而不是原始数据。这相当于做了一个简单的 RAG 前的粗筛：先按月份把重点事件捞出来，再交给模型整合。

控制 token 通常还会直接省钱。这里有一个参考数字：一份包含12个月个人月度记录的报告生成请求，输入大概 1500 token，输出约 600 token，成本非常低。但如果连续生成几十次，费用也会积累，批量场景建议设置单次最大 token 数，比如max_tokens=700，避免模型每次自由发挥太多。

5.4 温度参数要调到多少

温度控制的是随机性。我试过从 0.2 到 1.2 的多组参数。温度太低时，报告句子规整但无聊，“像一份公务员自我鉴定”；温度太高时，文案会为了金句开始飞，比如编造你根本没做过的事。结合我的调参经验，生成叙事文本用 0.7 表现最好，生成标题和总结语时我会临时改成 0.9，让句子更有意外感。

5.5 接口报错速查

如果你是在编辑器或编程助手类的工具里接入 DeepSeek 调试脚本，遇到类似报错时也可以先按这张表排查。大多数问题不是模型能力问题，而是请求结构不规范。

5.6 用图片还是 HTML 渲染报告

我一开始是把 JSON 输出手动粘贴到设计工具里排版，效率太低。后来写了一个简单的 Jinja2 模板，把 JSON 里的字段渲染成移动端尺寸的 HTML 长图，再用无头浏览器截图。如果你不想引入无头浏览器，也可以用 Python 的 Pillow 直接绘制文字和色块，只是动态字体布局会更麻烦。

HTML 路线还有一个优势：你可以直接在浏览器里按 F12 把长图分成多张卡片保存，适合发朋友圈。不要追求一个巨大尺寸的 PNG，网易云真正刷屏的场景是一张张滑动卡片，而非一望无际的长图。

6. 从“一份报告”到“一套个人年度制造机”

6.1 把报告做成家人朋友都能用的输入框

做完给自己的版本后，我顺手做了一个给别人用的简化页面：只需要对方按月份填写一个事件和一个情绪词，脚本就能自动调 DeepSeek 生成他们的专属年度报告。因为提示词和输出结构完全复用，我这个页面只花了一晚上就写完了。如果你也想做类似的小礼物，建议尽量降低对方的输入成本，最好让对方填“一句话+一个情绪”就行，而不是要求对方交出一整年的日记。

6.2 年度色可以延伸到更多场景

专属年度色算出来后，我把它应用到了个人博客的封面图上。配色这个东西很神奇，一旦你赋予了它“来自我的2025”这个背景，它就不再只是装修层面的好看。后来我在给朋友的生日贺卡上也算了一个“年度色”，对方听完计算逻辑后很喜欢：不是随机给的粉色，而是从她一年里所有开心时刻平均出来的颜色。

6.3 如果你有 VSCode 或桌面端工具，可以进一步自动化

我在调 Prompt 初期也试过把类似需求放到 AI 编程助手类的配置里，感受是：聊天窗口适合调思路，批处理还是适合写成 Python 脚本。因为一旦你频繁修改参数和输入数据，脚本的可重复性远高于每次手动复制粘贴。建议流程是先在脚本里把整条链路打通，后面再考虑接到其他工具里做展示层。

6.4 最后分享一个我自己的小习惯

把个人记录整理成月度归档这个动作，本身也挺有价值。我现在会在每月最后一天花十分钟写下这个月的一个高光事件、一个低谷事件和三个情绪占比，存进同一个纯文本文件。到了年底，别人需要翻半年微博才能回忆起来的事，我五分钟就能整理成报告原料。

这次项目做完后，最让我满足的不是画面有多好看，而是我发现“回顾”可以用一种更主动的方式发生。DeepSeek 帮忙完成的是锦上添花的语言包装，色彩脚本负责把情绪变成可视化的坐标，但真正让报告无法复制的，永远是你愿意如实留下的那几行细节。工具会迭代，Prompt 可以复制，唯独你的那一年，只属于你自己。